Beweisverfügung vorschlagen

[corinnawaelti]

In Zivilverfahren geht es um die Frage der Wahrheit bzw. darum, was geschehen ist. Die klägerische Partei behauptet einen Sachverhalt, der schlüssig sein muss, d.h., alle Voraussetzungen umfassen, die eine Rechtsfolge mit sich bringen, wie sie im Rechtsbegehren formuliert ist.

Ist der Sachvortrag schlüssig, bestimmt die Gegenpartei durch Bestreitung oder Zugeständnis, was Gegenstand des Beweisverfahrens wird.

Bei einem Zugeständnis ist eine Voraussetzung als gegeben erledigt. Im Falle einer Bestreitung einer Behauptung, muss Beweis geführt werden. Hauptbeweis und evtl. Gegenbeweis.

Spannend wäre, wenn mit einem Sprachmodell die streitigen und unstreitigen Elemente über mehrere Rechtsschriften herausgeschält werden könnten. Und im Fall der streitigen Punkte die genauen Streitthemen und die dazu angebotenen Beweise jeder Partei.

[AuroreJenni]

Die Idee finde ich sehr spannend 😄. Damit ein Sprachmodell darauf trainiert werden könnte, bräuchte man aber entsprechende Daten. Gibt es für die Challenge eine Möglichkeit an Fälle zu gelangen mit Rechtschriften beider Parteien und Angabe von Beweisen (idealerweise auch mit Angabe der Streitthemen)?

[PGuyan]

Gegenfrage: Wo würde denn der Ansatz sonst genutzt?

Nein, mir wäre nicht bekannt, dass dafür Datensätze bzw. Daten existieren würden. Für ein Trainieren eines Modells müssten auch entsprechende Unterlagen in grosser Zahl vorhanden sein.

Den Modellansatz hätte ich nicht gewählt. Vielmehr hätte ich das über durch semantische Analyse und Sprachverständnis des jeweiligen Modells zu lösen versucht.

Ich habe mit einer einfachen Klage, einer einfachen Klageantwort und einem einfachen Prompt angefangen und ChatGPT 4o untersuchen lassen, zu welchen Themen die Parteien gegenteilige Standpunkte vertreten. Die Themen sollten genannt werden; die Standpunkte der Parteien dazu sollten aufgelistet werden und zwar unter Aufführung der Beweismittel. Gute Ergebnisse bei einfachen Fragestellungen.

Dann habe ich alles verfeinert, weiter ausformuliert, das Prompt mit maschineller Unterstützung verfeinert etc. Immer noch ein ansprechendes Ergebnis. Aber eben: Keine Zeit für grosse Tests mit vielen Modellen, verschiedenen Prompts etc.

[AuroreJenni]

Es gibt keine, mir bekannte, spezifische Lösung oder ein Modell, das genau diesen Ansatz verfolgt. Allerdings lässt sich (wie schon von dir beschrieben) etwas Ähnliches mit ChatGPT umsetzen, indem man Kontextinformationen im Custom-GPT-Modus hinterlegt oder das Modell über Systemprompts gezielt auf die Analyse von Beweismitteln ausrichtet. Solche Methoden sind grundsätzlich übertragbar auf andere LLMs und man könnte ausprobieren, welche bestehenden Modelle sich hier am besten schlagen. Wäre dies das Ziel am OpenLegalLab? Wenn ja, dann könnte das eine gute Low-Code Challenge sein.
Der beschriebene Ansatz ist aber letztlich nur eine Form der Promptoptimierung.
Das kann für einfache Fälle durchaus brauchbare Ergebnisse liefern, stösst aber schnell an Grenzen, wenn es um komplexe juristische Sachverhalte geht. Für bessere Ergebnisse bräuchte es m.E. zwingend Daten, damit ein tiefgreifenderer Ansatz verfolgt werden könnte wie z.B. Feintuning des Modells (Spezialisierung eines LLMs), regelbasierter NLP-Ansatz (z.B. eine Kombination mit NER zur Erkennung juristischer Entitäten und symbolic AI für die logische Argumentation), RAG-Ansatz wo die Antwort auf Basis von vergangenen Fällen basiert, etc. Diese Ansätze müssten aber vor dem OpenLegalLab vorbereitet/angegangen werden, da eine Umsetzung in ca.10 Stunden nicht realistisch ist.

[PGuyan]

Danke Dir!

In umgekehrter Reihenfolge:

• RAG: Spannend. Aber braucht auch Rechtsschriften. Die gibt es in anonymisierter/pseudonymisierter Form nirgends zu Hauf. Aus Moot Courts heraus könnten eventuell welche gezogen werden, aber die geben die Unis wohl nicht leichthin heraus. Gerichtsentscheide geben die Rechtsschriften nur ungenügend wieder. Beziehen der Entscheide aus entscheidsuche.ch bringt mutmasslich also nichts. Aber ist vllt. ein Versuch wert.
• Die symbolische KI ist weniger flexibel bei der Verarbeitung natürlicher Sprache und unstrukturierter Daten - sagt ChatGPT. Aber ich habe damit nicht wirklich Erfahrung. In aller Regel aber stellen die Parteivertreter in den Rechtsschriften den Bezug her, in dem sie sich auf eine Randziffer bzw. Note der gegnerischen Rechtsschrift beziehen. Damit legen sie einen roten Faden.
• LER: Sowas wohl: https://github.com/elenanereiss/Legal-Entity-Recognition. Bringt nicht viel mehr als die Standard-Entitäten-Erkennung von spacy.

Und ja: Ist grundsätzlich eine Promptoptimierung. Ist aber egal, wenn es funktioniert.

Fragt sich auch, unter welchen Voraussetzungen die Ergebnisse nicht mehr brauchbar sind. Oder ob irgendeine Vorverarbeitung Komplexitäten herunterbrechen kann. Das kann auch Handarbeit sein, weil damit immer noch eine grosse Arbeitsersparnis verbunden sein kann. Thematische Isolierungen bei objektiven Klagehäufungen etwa.

[mauruswollensak]

Wenn ich das bei der Vorstellung richtig verstanden habe, wäre ein lokales Modell essenziell. Vielleicht kann man hiermit schon einmal ein wenig spielen: https://ollama.com/. Der Vorteil: ein lokaler LLM, der sehr einfach zu betreiben ist. (Man muss aber auch die entsprechende PC-Power mitbringen).

[PGuyan]

Hab' vielen Dank. Ich habe schon mit Jan, GPT4All, LM Studio und open-webui herumgespielt. Dabei habe ich verschiedene Modell probiert, darunter phi4, Llama3.1, gemma3, Mistral. Aber ChatGPT-4o und 4.5 machen das schon sehr gut, wenn es einfache Texte sind. Habe aber bloss mit zwei selbst gebastelten Rechtsschriften laboriert. Nicht mit 4 oder mehr.